論文の概要: Validation and Calibration of Semi-Analytical Models for the Event Horizon Telescope Observations of Sagittarius A*
- arxiv url: http://arxiv.org/abs/2504.18624v1
- Date: Fri, 25 Apr 2025 18:00:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.916319
- Title: Validation and Calibration of Semi-Analytical Models for the Event Horizon Telescope Observations of Sagittarius A*
- Title（参考訳）: サギタリウスA*のイベント水平望遠鏡観測における半解析モデルの検証と校正
- Authors: Ali SaraerToosi, Avery Broderick,
- Abstract要約: 生成機械学習モデルであるAlinetを用いて、放射能的に非効率な降着流画像を生成する。
我々は、恒星間散乱を含む多くの未モデル化物理効果によってもたらされる不確実性を推定する。
次に、これを物理パラメータ推定のキャリブレーションに利用し、RIAFモデルと関連する不確実性は、EHTデータをモックするのに適合する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Event Horizon Telescope (EHT) enables the exploration of black hole accretion flows at event-horizon scales. Fitting ray-traced physical models to EHT observations requires the generation of synthetic images, a task that is computationally demanding. This study leverages \alinet, a generative machine learning model, to efficiently produce radiatively inefficient accretion flow (RIAF) images as a function of the specified physical parameters. \alinet has previously been shown to be able to interpolate black hole images and their associated physical parameters after training on a computationally tractable set of library images. We utilize this model to estimate the uncertainty introduced by a number of anticipated unmodeled physical effects, including interstellar scattering and intrinsic source variability. We then use this to calibrate physical parameter estimates and their associated uncertainties from RIAF model fits to mock EHT data via a library of general relativistic magnetohydrodynamics models.
- Abstract（参考訳）: イベントホライゾン望遠鏡(EHT)は、事象ホライゾンスケールでのブラックホールの降着流の探査を可能にする。
レイトレーシングされた物理モデルをEHT観測に適合させるには、計算的に要求されるタスクである合成画像を生成する必要がある。
本研究では、生成機械学習モデルである \alinet を用いて、特定の物理パラメータの関数として、放射効率の低い付加フロー(RIAF)画像を効率よく生成する。
ナリントは以前、計算的に抽出可能なライブラリーイメージのセットで訓練した後、ブラックホール画像とその関連する物理パラメータを補間できることが示されている。
このモデルを用いて、恒星間散乱や固有源の変動など、予想外の多くの物理効果がもたらす不確かさを推定する。
次に, 一般相対論的磁気流体力学モデルのライブラリを用いて, RIAFモデルからの物理パラメータ推定と関連する不確かさを校正し, EHTデータのモック化を行う。
関連論文リスト
- BCDDM: Branch-Corrected Denoising Diffusion Model for Black Hole Image Generation [12.638969185454846]
一般相対論的レイトレーシング(GRRT)により生成されたシミュレーション画像にイベントホライゾン望遠鏡(EHT)データを適用することにより、ブラックホールと降着流を推定することができる。
GRRTの計算集約性のため、特定の放射線フラックス画像を生成する効率を向上させる必要がある。
本稿では,分岐補正機構と重み付き混合損失関数を用いて生成したブラックホール画像の精度を向上させる分岐補正除音拡散モデル(BCDDM)を提案する。
論文 参考訳（メタデータ） (2025-02-12T16:05:46Z) - Learning physical unknowns from hydrodynamic shock and material interface features in ICF capsule implosions [0.0]
高エネルギー密度物理(HEDP)と慣性閉じ込め融合(ICF)では、予測モデリングは、モデル化システムの様々な側面を特徴づけるパラメータの不確実性によって複雑である。
本研究では,そのパラメータを直接推測するために,外装衝撃プロファイルと外装材料エッジから得られた疎流体力学特性の集合を定義する。
推定パラメータは, 密度場, 流体衝撃, およびデータに整合した外縁特性を得るために, 流体力学コードで利用できることを示す。
論文 参考訳（メタデータ） (2024-12-28T16:05:41Z) - SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - Autoencoding Labeled Interpolator, Inferring Parameters From Image, And
Image From Parameters [0.0]
本研究では,生成機械学習モデルを用いた画像生成ツールを提案する。
トレーニングされた画像間の高速かつ連続的な補間が可能で、それらの画像の定義パラメータを検索することができる。
論文 参考訳（メタデータ） (2023-12-07T19:00:50Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - Bayesian model calibration for block copolymer self-assembly:
Likelihood-free inference and expected information gain computation via
measure transport [6.496038875667294]
ブロック共重合体(BCP)の自己組織化現象を記述するモデルの校正について考察する。
測度輸送に基づく確率自由なアプローチを用いて、この挑戦的なベイズ推定問題に取り組む。
ダイブロック共重合体薄膜自己組織化のための大田-川崎モデルに基づく数値ケーススタディを提案する。
論文 参考訳（メタデータ） (2022-06-22T19:38:52Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Learning to discover: expressive Gaussian mixture models for
multi-dimensional simulation and parameter inference in the physical sciences [0.0]
複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。
このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。
実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
論文 参考訳（メタデータ） (2021-08-25T21:27:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。